Oct, 2023

改进的VMD和Stacked Informer的增强型股票市场预测的自适应混合模型

HTML
PDF
TL;DR本论文提出了一种创新的自适应混合模型，利用了改进的变分模态分解（VMD）、特征工程（FE）和集成了自适应损失函数的堆叠式Informer的能力，该模型被命名为VMGCformer。通过严格的实验，该模型在处理复杂的股票市场数据动态和波动性方面表现出显著的熟练度。来自多个基准数据集的实验结果凸显了该模型在预测准确性、响应性和泛化能力方面相对于传统和其他混合模型的优越性。该研究进一步突出了优化的潜在途径，并介绍了改进预测建模的未来发展方向，特别是针对小企业和特征工程。
发现论文，激发创造
  • 变分异方差波动模型

    本研究提出了一种名为VHVM的端到端神经网络体系结构，能够对多元金融时间序列中的异方差行为进行建模，并在多元外汇数据集上展示了其对比GARCH和SV模型的有效性。

    Apr, 2022

  • DoubleAdapt: 基于元学习的股票趋势预测增量学习方法

    DoubleAdapt是一个具有两个适配器的端到端框架，可以自动学习如何将股票数据调整为本地稳态分布，以适应增量学习中的分布漂移，并且通过数据适应和参数初始化实现了最先进的预测性能。

    Jun, 2023

  • 面向多步回归股票价格预测中的随机性的扩散变分自编码器

    使用深层次变分自动编码器（VAE）和扩散概率技术，结合随机生成过程来进行序列预测，解决多步股票价格预测的问题，通过形成投资组合评估模型输出的有效性和处理不同类型预测不确定性的重要性。

    Aug, 2023

  • 深度学习和GARCH模型结合的金融波动率和风险预测

    采用深度学习神经网络和GARCH时间序列模型的混合方法来预测金融工具的波动性和风险，研究发现混合模型能够提供更准确的点波动率预测，但不一定能转化为优越的风险预测。

    Oct, 2023

  • 金融时间序列预测：基于混合机器学习方法实现性能和解释性的协同

    比特币价格的预测引起了在金融市场和投资策略上的关注，本研究提出了一个关于混合机器学习算法在提高模型可解释性方面的比较研究。通过实证实验，我们发现线性回归模型在候选模型中表现最好。对于模型的解释性，我们对时间序列统计的预处理技术进行系统概述，包括分解、自相关函数、指数三重预测等，旨在挖掘金融时间序列中的潜在关系和复杂模式。我们相信这项工作将在时间序列分析及其实际应用领域引起更多关注，激发更多的研究。

    Dec, 2023

  • 基于变分循环自编码器的动态因子模型用于股票收益预测

    本研究介绍了一种名为RVRAE的开创性动态因子模型，它是一种概率性方法，专门处理市场数据中的时间依赖性和噪声，并通过深度学习中的变分循环自编码器( VRAE)将动态因子建模原理巧妙地结合起来。RVRAE的一个关键特征是其使用先验-后验学习方法，通过寻找未来数据驱动的最优后验因子模型来优化模型的学习过程。值得注意的是，在波动性股票市场中，RVRAE擅长风险建模，从潜在空间分布估计方差，并预测回报。我们对真实股票市场数据进行的实证测试证实了RVRAE相较于不同已有基准方法的优越性能。

    Mar, 2024

  • 利用条件变分自动编码器进行高级信息的股票成交量预测

    使用条件变分编码器（CVAE）改善每日股票交易量时间序列的短期和长期预测任务，生成非线性时间序列的预测，具有更高的准确性和更接近实际数据的相关性拟合度，可用于情景生成和讨论非平稳时间序列的相关性和其他潜在扩展。

    Jun, 2024

  • 运用财报进行股票预测：一种增强的QLoRA LLM 方法

    本研究解决了传统机器学习模型在准确预测财报发布后的股票市场表现中的不足，尤其是在处理和解读财报文本数据时的困难。通过结合大型语言模型（LLM）与量化低秩适应（QLoRA）技术，构建了一个丰富的监督数据集，显著提升了模型在股市预测中的表现，尤其是在准确度和加权F1值上。研究表明，经过优化的 llama-3-8b-Instruct-4bit 模型在基准模型中表现出显著改善，预示着AI驱动的金融分析工具未来的广阔前景。

    Aug, 2024

  • 深度学习模型在股票市场趋势预测中的评估

    本研究解决了股票市场趋势预测中的非线性和随机性挑战，通过评估多种先进的深度学习模型，包括新提出的xLSTM-TS模型，探讨了其在短期趋势预测中的有效性。研究发现，xLSTM-TS模型在预测股票价格方向方面表现优越，测试准确率达到72.82%，为市场预测中的机器学习应用提供了重要的见解。

    Aug, 2024

  • 基于变分模态分解、PatchTST 和自适应尺度加权层的股票价格增强预测

    本研究针对近年来股票指数价格波动引发的准确预测需求，提出了一种新型组合预测框架，集成了变分模态分解、PatchTST 和自适应尺度加权层。通过对 SP500、DJI、SSEC 和 FTSE 四大股票指数的分析，研究表明该框架在预测准确性方面显著优于传统模型，具有广泛的金融分析和投资决策应用潜力。

    Aug, 2024